分享一个简单的python+mysql网络数据抓取
Posted 水墨的心
tags:
篇首语:本文由小常识网(cha138.com)小编为大家整理,主要介绍了分享一个简单的python+mysql网络数据抓取相关的知识,希望对你有一定的参考价值。
最近学习python网络爬虫,所以自己写了一个简单的程序练练手(呵呵。。)。我使用的环境是python3.6和mysql8.0,抓取目标网站为百度热点(http://top.baidu.com/)。我只抓取了实时热点内容,其他栏目应该类似。代码中有两个变量SECONDS_PER_CRAWL和CRAWL_PER_UPDATE_TO_DB,前者为抓取频率,后者为抓取多少次写一次数据库,可自由设置。我抓取的数据内容是热点信息,链接,关注人数和时间。其在内存中存放的结构为dict{tuple(热点信息,链接):list[tuple(关注人数,时间)...]...},数据库存储是将热点信息和链接放到hotnews表中,关注人数和对应时间放到直接以热点信息为表名的表内(因为热点信息可能长时间存在但是随时间变化关注度会有变化)。下面可以看下数据库存放样例
代码比较简单我就暂时没有上传github直接贴到下面供大家参考:
1 # -*- coding: UTF-8 -*- 2 3 from bs4 import BeautifulSoup 4 import threading 5 import requests 6 import pymysql 7 import string 8 import time 9 import sys 10 import re 11 12 13 #爬取频率,单位:秒 14 SECONDS_PER_CRAWL = 10 15 16 #更新到数据库频率,单位:爬取次数 17 CRAWL_PER_UPDATE_TO_DB = 1 18 19 #爬取目标网站url 20 CRAWL_TARGET_URL = \'http://top.baidu.com/\' 21 22 class DataProducer(threading.Thread): 23 24 #临时存放爬取结果 25 NewsDict = {} 26 27 def __init__(self): 28 threading.Thread.__init__(self) 29 db = pymysql.connect(host="localhost", user="root", port=3306, passwd=None, db="crawler", charset="utf8") 30 cursor = db.cursor() 31 sql = """CREATE TABLE IF NOT EXISTS HOTNEWS ( 32 INFORMATION VARCHAR(64) NOT NULL, 33 HYPERLINK VARCHAR(256), 34 PRIMARY KEY (INFORMATION) );""" 35 cursor.execute(sql) 36 db.close() 37 38 def run(self): 39 print("DataProducer Thread start!") 40 crawl_data(self.NewsDict) 41 print("DataProducer Thread exit!") 42 43 44 def crawl_data(nd): 45 count = 0; 46 while 1: 47 req = requests.get(url=CRAWL_TARGET_URL) 48 req.encoding = req.apparent_encoding 49 bf = BeautifulSoup(req.text, "html.parser") 50 texts = bf.find_all(\'ul\', id="hot-list", class_="list") 51 bfs = BeautifulSoup(str(texts), "html.parser") 52 spans = bfs.find_all(\'span\', class_ = re.compile("icon-fall|icon-rise|icon-fair")) 53 lis = bfs.find_all(\'a\', class_ = "list-title") 54 for i in range(10): 55 vtup = (spans[i].get_text(), time.strftime("%Y-%m-%d %H:%M:%S", time.localtime())) 56 ktup = (lis[i].get(\'title\'), lis[i].get(\'href\')) 57 if ktup in nd.keys(): 58 nd[ktup].append(vtup) 59 else: 60 nd[ktup] = [vtup] 61 count = count+1 62 if count%CRAWL_PER_UPDATE_TO_DB == 0: 63 update_to_db(nd) 64 nd.clear() 65 time.sleep(SECONDS_PER_CRAWL) 66 67 def update_to_db(nd): 68 db = pymysql.connect(host="localhost", user="root", port=3306, passwd=None, db="crawler", charset="utf8") 69 cursor = db.cursor() 70 for k in nd.keys(): 71 #将热点插入至主表 72 sql1 = "REPLACE INTO HOTNEWS (INFORMATION, HYPERLINK) VALUES ( \'%s\', \'%s\');" 73 #热点创建其分表 74 sql2 = "CREATE TABLE IF NOT EXISTS `%s`( NUMBEROFPEOPLE INT NOT NULL, OCCURTIME DATETIME, PRIMARY KEY (OCCURTIME) );" 75 try: 76 cursor.execute(sql1%(k[0], k[1])) 77 cursor.execute(sql2%(k[0])) 78 db.commit() 79 except: 80 db.rollback() 81 #将每个热点数据插入到对应热点分表 82 for e in nd[k]: 83 insert_sql = "INSERT INTO %s (NUMBEROFPEOPLE, OCCURTIME) VALUES (%d, \'%s\');" 84 try: 85 cursor.execute(insert_sql%(k[0], int(e[0]), e[1])) 86 except: 87 db.rollback() 88 db.close() 89 90 if __name__ == \'__main__\': 91 t = DataProducer() 92 t.start() 93 t.join()
以上是关于分享一个简单的python+mysql网络数据抓取的主要内容,如果未能解决你的问题,请参考以下文章